论文部分内容阅读
随着信息时代的高速发展,推荐系统已成为电子商务领域不可或缺的一部分。推荐系统是为用户做信息过滤,通过预测得到用户潜在的兴趣产品。协同过滤作为解决信息过载的有效方法之一,成为广大学者研究的热点。
本文分析了协同过滤技术发展及现状,探讨了个性化推荐系统中所采用的方法、技术,比较了各种协同过滤算法,得出了各种协同过滤算法的优缺点和适用性。
根据对个性化推荐系统的需求分析,提出了运用模糊聚类过滤算法作为系统的关键技术,并对算法做了相应的研究和改进,即在传统模糊C-均值的基础上引进平滑方法,对用户和项目进行双模糊聚类,较好地解决了数据“稀疏性”问题,采用“离线聚类”与“在线推荐”结合的方法,提高了系统的响应速度和准确度。在预测阶段,本文利用能使改进算法达到最低MAE值的最近邻居来预测用户未评分项目的评分,并且通过仿真实验验证了这种方法比单纯用基于用户模糊聚类或基于项目模糊聚类的协同推荐算法具有更高的推荐质量,更好的推荐效果。
最后,以影视推荐系统为例,结合PowerDesigner对系统的架构模型、业务流程和数据库进行建模,设计并实现了该原型系统,验证了算法的有效性。